1. Proyecto 1.2. Entrega 2 - Exploración y Análisis de Datos (EDA) Objetivo: Realizar una exploración y análisis exhaustivo del conjunto de datos proporcionado, utilizando técnicas de EDA para comprender la estructura de los datos, identificar patrones y preparar los datos para el modelado. Descripción de la segunda actividad:
2. Exploración Inicial de Datos: Carga del Dataset: Cargar el conjunto de datos en el entorno de trabajo. Asegurarse de que los datos se hayan cargado correctamente y se encuentren en el formato adecuado. Revisión General: Realizar una revisión general del conjunto de datos para obtener una visión inicial de su estructura. Incluyan el número de filas y columnas, nombres de columnas, y tipos de datos de cada columna.
3. Análisis Univariado: Distribución de Variables: Realizar un análisis de las variables individuales para entender su distribución. Utilizar histogramas, boxplots y estadísticas descriptivas (media, mediana, desviación estándar, etc.) para las variables numéricas. Para las variables categóricas, calcular frecuencias y proporciones. Identificación de Outliers: Detectar posibles outliers en las variables numéricas utilizando técnicas como el análisis de boxplots o el cálculo del z-score.
4. Análisis Bivariado: Relaciones entre Variables: Analizar la relación entre pares de variables para identificar patrones o correlaciones. Utilizar gráficos de dispersión (scatter plots) y mapas de calor de correlación (heatmaps) para evaluar la relación entre variables numéricas. Comparaciones Categóricas: Explorar cómo las variables categóricas afectan a las variables numéricas, utilizando gráficos de barras y boxplots.
5. Limpieza de Datos: Tratamiento de Valores Faltantes: Identificar valores faltantes en el conjunto de datos. Aplicar métodos adecuados para el tratamiento de estos valores, ya sea mediante imputación, eliminación de filas/columnas o sustitución con valores medianos/modales. Normalización y Transformación: Realizar transformaciones necesarias para preparar los datos para el análisis posterior. Esto puede incluir normalización y estandarización

import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)
import seaborn as sns; sns.set(style="ticks", color_codes=True)
import matplotlib.pyplot as plt
import plotly.graph_objs as go
from plotly.subplots import make_subplots
import seaborn as sns
import plotly.express as px
%matplotlib inline

from plotly.offline import download_plotlyjs, init_notebook_mode, plot, iplot
init_notebook_mode(connected = False)

C:\Users\Usuario\anaconda3\lib\site-packages\pandas\core\arrays\masked.py:60: UserWarning: Pandas requires version '1.3.6' or newer of 'bottleneck' (version '1.3.5' currently installed).
  from pandas.core import (

Exploración Inicial de Datos:
Carga del Dataset:
Cargar el conjunto de datos en el entorno de trabajo.
Asegurarse de que los datos se hayan cargado correctamente y se encuentren en el formato adecuado.
Revisión General:
Realizar una revisión general del conjunto de datos para obtener una visión inicial de su estructura. Incluyan el número de filas y columnas, nombres de columnas, y tipos de datos de cada columna.

Cargar el conjunto de datos en el entorno de trabajo

Realizar una revisión general

# dataset original
df_1=pd.read_csv('C:\\Users\\Usuario\\Desktop\\2024\\materias\\CDIA\\2semestre\\pp1-cdia23\\ejemplo suply chain\\DataCoSupplyChainDataset.csv\\para jupyter\\SinAcento.csv', encoding='latin1', sep=';',  low_memory=False)
pd.set_option('display.max_rows', 60)    #muestra 60 columnas
pd.set_option('display.max_columns', 100)  # 100 filas
pd.set_option('display.width', 1000)
# detalle
df_1.head()

	Type	Days for shipping (real)	Days for shipment (scheduled)	Benefit per order	Sales per customer	Delivery Status	Late_delivery_risk	Category Id	Category Name	Customer City	Customer Country	Customer Email	Customer Fname	Customer Id	Customer Lname	Customer Password	Customer Segment	Customer State	Customer Street	Customer Zipcode	Department Id	Department Name	Latitude	Longitude	Market	Order City	Order Country	Order Customer Id	order date (DateOrders)	Order Id	Order Item Cardprod Id	Order Item Discount	Order Item Discount Rate	Order Item Id	Order Item Product Price	Order Item Profit Ratio	Order Item Quantity	Sales	Order Item Total	Order Profit Per Order	Order Region	Order State	Order Status	Order Zipcode	Product Card Id	Product Category Id	Product Description	Product Image	Product Name	Product Price	Product Status	shipping date (DateOrders)	Shipping Mode
0	DEBIT	3	4	9.125000e+01	3.146400e+09	Advance shipping	0	73	Sporting Goods	Caguas	Puerto Rico	XXXXXXXXX	Cally	20755	Holloway	XXXXXXXXX	Consumer	PR	5365 Noble Nectar Island	725.0	2	Fitness	182.514.534	-6.603.705.597	Pacific Asia	Bekasi	Indonesia	20755	1/31/2018 22:56	77202	1360	1.310.999.966	0.04	180517	327.75	0.289999992	1	327.75	3.146.400.146	91.25	Southeast Asia	Java Occidental	COMPLETE	NaN	1360	73	NaN	http://images.acmesports.sports/Smart+watch	Smart watch	327.75	0	2/3/2018 22:56	Standard Class
1	TRANSFER	5	4	-2.490900e+09	3.113600e+09	Late delivery	1	73	Sporting Goods	Caguas	Puerto Rico	XXXXXXXXX	Irene	19492	Luna	XXXXXXXXX	Consumer	PR	2679 Rustic Loop	725.0	2	Fitness	1.827.945.137	-660.370.636	Pacific Asia	Bikaner	India	19492	1/13/2018 12:27	75939	1360	1.638.999.939	0.05	179254	327.75	-0.800000012	1	327.75	3.113.599.854	-2.490.899.963	South Asia	Rajastán	PENDING	NaN	1360	73	NaN	http://images.acmesports.sports/Smart+watch	Smart watch	327.75	0	1/18/2018 12:27	Standard Class
2	CASH	4	4	-2.477800e+09	3.097200e+09	Shipping on time	0	73	Sporting Goods	San Jose	EE. UU.	XXXXXXXXX	Gillian	19491	Maldonado	XXXXXXXXX	Consumer	CA	8510 Round Bear Gate	95125.0	2	Fitness	3.729.223.251	-121.881.279	Pacific Asia	Bikaner	India	19491	1/13/2018 12:06	75938	1360	1.803.000.069	0.06	179253	327.75	-0.800000012	1	327.75	3.097.200.012	-2.477.799.988	South Asia	Rajastán	CLOSED	NaN	1360	73	NaN	http://images.acmesports.sports/Smart+watch	Smart watch	327.75	0	1/17/2018 12:06	Standard Class
3	DEBIT	3	4	2.286000e+09	3.048100e+09	Advance shipping	0	73	Sporting Goods	Los Angeles	EE. UU.	XXXXXXXXX	Tana	19490	Tate	XXXXXXXXX	Home Office	CA	3200 Amber Bend	90027.0	2	Fitness	3.412.594.605	-1.182.910.156	Pacific Asia	Townsville	Australia	19490	1/13/2018 11:45	75937	1360	2.294.000.053	0.07	179252	327.75	0.079999998	1	327.75	3.048.099.976	2.286.000.061	Oceania	Queensland	COMPLETE	NaN	1360	73	NaN	http://images.acmesports.sports/Smart+watch	Smart watch	327.75	0	1/16/2018 11:45	Standard Class
4	PAYMENT	2	4	1.342100e+09	2.982500e+02	Advance shipping	0	73	Sporting Goods	Caguas	Puerto Rico	XXXXXXXXX	Orli	19489	Hendricks	XXXXXXXXX	Corporate	PR	8671 Iron Anchor Corners	725.0	2	Fitness	1.825.376.892	-6.603.704.834	Pacific Asia	Townsville	Australia	19489	1/13/2018 11:24	75936	1360	29.5	0.09	179251	327.75	0.449999988	1	327.75	298.25	1.342.100.067	Oceania	Queensland	PENDING_PAYMENT	NaN	1360	73	NaN	http://images.acmesports.sports/Smart+watch	Smart watch	327.75	0	1/15/2018 11:24	Standard Class

df_1.shape

(180519, 53)

Operaciones sobr el conjunto de datos

# filtrar filas
# Primero, filtramos el DataFrame para incluir solo los datos de Argentina
#df_1 = df[df['Order Country'] == 'Argentina','Brasil','Mexico']
df = df_1[df_1['Order Country'].isin(['Argentina', 'Brasil', 'Mexico'])]
#df= df_1[(df['Order Country'] == 'Argentina') | (df_1['Order Country'] == 'Brasil') | (df_1['Order Country'] == 'Mexico')]

df.head()

	Type	Days for shipping (real)	Days for shipment (scheduled)	Benefit per order	Sales per customer	Delivery Status	Late_delivery_risk	Category Id	Category Name	Customer City	Customer Country	Customer Email	Customer Fname	Customer Id	Customer Lname	Customer Password	Customer Segment	Customer State	Customer Street	Customer Zipcode	Department Id	Department Name	Latitude	Longitude	Market	Order City	Order Country	Order Customer Id	order date (DateOrders)	Order Id	Order Item Cardprod Id	Order Item Discount	Order Item Discount Rate	Order Item Id	Order Item Product Price	Order Item Profit Ratio	Order Item Quantity	Sales	Order Item Total	Order Profit Per Order	Order Region	Order State	Order Status	Order Zipcode	Product Card Id	Product Category Id	Product Description	Product Image	Product Name	Product Price	Product Status	shipping date (DateOrders)	Shipping Mode
84	PAYMENT	4	2	2.347000e+09	144.0	Late delivery	1	24	Women's Apparel	Caguas	Puerto Rico	XXXXXXXXX	Mary	8541	Smith	XXXXXXXXX	Home Office	PR	5700 Little Circle	725.0	5	Golf	1.829.609.299	-6.637.050.629	LATAM	Juazeiro	Brasil	8541	4/11/2017 15:49	56973	502	6	0.04	142502	50	0.159999996	3	150	144	2.346.999.931	South America	Bahía	PENDING_PAYMENT	NaN	502	24	NaN	http://images.acmesports.sports/Nike+Men%27s+D...	Nike Men's Dri-FIT Victory Golf Polo	50	0	4/15/2017 15:49	Second Class
86	PAYMENT	6	2	4.366000e+09	139.5	Late delivery	1	24	Women's Apparel	Caguas	Puerto Rico	XXXXXXXXX	Mary	3752	Vega	XXXXXXXXX	Home Office	PR	7840 Umber Sky Villas	725.0	5	Golf	182.105.732	-6.637.058.258	LATAM	Mexico City	Mexico	3752	3/16/2017 2:54	55155	502	10.5	0.07	137932	50	0.310000002	3	150	139.5	4.365.999.985	Central America	Distrito Federal	PENDING_PAYMENT	NaN	502	24	NaN	http://images.acmesports.sports/Nike+Men%27s+D...	Nike Men's Dri-FIT Victory Golf Polo	50	0	3/22/2017 2:54	Second Class
87	PAYMENT	2	2	1.320000e+09	132.0	Shipping on time	0	24	Women's Apparel	Caguas	Puerto Rico	XXXXXXXXX	Wayne	4673	Hodges	XXXXXXXXX	Home Office	PR	7509 Iron Concession	725.0	5	Golf	1.820.111.656	-6.637.059.021	LATAM	Tlaquepaque	Mexico	4673	3/29/2015 10:33	5991	502	18	0.12	14921	50	0.100000001	3	150	132	1.319.999.981	Central America	Jalisco	PENDING_PAYMENT	NaN	502	24	NaN	http://images.acmesports.sports/Nike+Men%27s+D...	Nike Men's Dri-FIT Victory Golf Polo	50	0	3/31/2015 10:33	Second Class
88	PAYMENT	4	2	4.620000e+09	132.0	Late delivery	1	24	Women's Apparel	Caguas	Puerto Rico	XXXXXXXXX	Mary	5367	Mccormick	XXXXXXXXX	Home Office	PR	2199 Silver Autumn Key	725.0	5	Golf	1.821.469.116	-6.637.051.392	LATAM	Puebla	Mexico	5367	2/3/2015 00:28	2263	502	18	0.12	5671	50	0.349999994	3	150	132	4.620.000.076	Central America	Puebla	PENDING_PAYMENT	NaN	502	24	NaN	http://images.acmesports.sports/Nike+Men%27s+D...	Nike Men's Dri-FIT Victory Golf Polo	50	0	2/7/2015 00:28	Second Class
89	PAYMENT	4	2	1.044000e+09	130.5	Late delivery	1	24	Women's Apparel	Caguas	Puerto Rico	XXXXXXXXX	Mary	5367	Mccormick	XXXXXXXXX	Home Office	PR	2199 Silver Autumn Key	725.0	5	Golf	1.821.469.116	-6.637.051.392	LATAM	Puebla	Mexico	5367	2/3/2015 00:28	2263	502	19.5	0.13	5669	50	0.079999998	3	150	130.5	1.043.999.958	Central America	Puebla	PENDING_PAYMENT	NaN	502	24	NaN	http://images.acmesports.sports/Nike+Men%27s+D...	Nike Men's Dri-FIT Victory Golf Polo	50	0	2/7/2015 00:28	Second Class

df.tail()

	Type	Days for shipping (real)	Days for shipment (scheduled)	Benefit per order	Sales per customer	Delivery Status	Late_delivery_risk	Category Id	Category Name	Customer City	Customer Country	Customer Email	Customer Fname	Customer Id	Customer Lname	Customer Password	Customer Segment	Customer State	Customer Street	Customer Zipcode	Department Id	Department Name	Latitude	Longitude	Market	Order City	Order Country	Order Customer Id	order date (DateOrders)	Order Id	Order Item Cardprod Id	Order Item Discount	Order Item Discount Rate	Order Item Id	Order Item Product Price	Order Item Profit Ratio	Order Item Quantity	Sales	Order Item Total	Order Profit Per Order	Order Region	Order State	Order Status	Order Zipcode	Product Card Id	Product Category Id	Product Description	Product Image	Product Name	Product Price	Product Status	shipping date (DateOrders)	Shipping Mode
179618	TRANSFER	6	4	1.337500e+02	2.729500e+09	Late delivery	1	17	Cleats	Caguas	Puerto Rico	XXXXXXXXX	Brenda	12354	Wells	XXXXXXXXX	Consumer	PR	3762 Amber Estates	725.0	4	Apparel	1.823.072.052	-6.637.063.599	LATAM	Goiânia	Brasil	12354	4/18/2015 13:41	7370	365	27	0.09	18457	5.999.000.168	0.49000001	5	2.999.500.122	2.729.500.122	133.75	South America	Goiás	PENDING	NaN	365	17	NaN	http://images.acmesports.sports/Perfect+Fitnes...	Perfect Fitness Perfect Rip Deck	5.999.000.168	0	4/24/2015 13:41	Standard Class
179621	TRANSFER	3	4	-2.610000e+09	2.609600e+09	Advance shipping	0	17	Cleats	Juana Diaz	Puerto Rico	XXXXXXXXX	Mary	10344	Smith	XXXXXXXXX	Consumer	PR	2839 Grand Timber Canyon	795.0	4	Apparel	1.805.199.051	-6.650.184.631	LATAM	Villahermosa	Mexico	10344	5/16/2017 21:33	59387	365	3.899.000.168	0.13	148676	5.999.000.168	-0.100000001	5	2.999.500.122	2.609.599.915	-2.610.000.038	Central America	Tabasco	PENDING	NaN	365	17	NaN	http://images.acmesports.sports/Perfect+Fitnes...	Perfect Fitness Perfect Rip Deck	5.999.000.168	0	5/19/2017 21:33	Standard Class
179623	TRANSFER	2	4	1.174300e+09	2.609600e+09	Advance shipping	0	17	Cleats	Caguas	Puerto Rico	XXXXXXXXX	Mary	8917	Smith	XXXXXXXXX	Consumer	PR	4992 Jagged Forest Subdivision	725.0	4	Apparel	1.822.487.068	-6.637.052.155	LATAM	Barueri	Brasil	8917	4/13/2017 14:25	57106	365	3.899.000.168	0.13	142839	5.999.000.168	0.449999988	5	2.999.500.122	2.609.599.915	1.174.300.003	South America	São Paulo	PENDING	NaN	365	17	NaN	http://images.acmesports.sports/Perfect+Fitnes...	Perfect Fitness Perfect Rip Deck	5.999.000.168	0	4/15/2017 14:25	Standard Class
179624	TRANSFER	3	4	4.844000e+09	2.549600e+09	Advance shipping	0	17	Cleats	Caguas	Puerto Rico	XXXXXXXXX	Mary	9204	Harris	XXXXXXXXX	Consumer	PR	8713 Quaking Abbey	725.0	4	Apparel	1.828.453.636	-6.637.060.547	LATAM	Maceió	Brasil	9204	5/27/2017 16:48	60127	365	4.499.000.168	0.15	150462	5.999.000.168	0.189999998	5	2.999.500.122	2.549.600.067	4.843.999.863	South America	Alagoas	PENDING	NaN	365	17	NaN	http://images.acmesports.sports/Perfect+Fitnes...	Perfect Fitness Perfect Rip Deck	5.999.000.168	0	5/30/2017 16:48	Standard Class
179628	TRANSFER	3	4	6.749000e+09	2.249600e+09	Advance shipping	0	17	Cleats	Caguas	Puerto Rico	XXXXXXXXX	Jerry	7024	Smith	XXXXXXXXX	Consumer	PR	5149 Rocky Pine Moor	725.0	4	Apparel	1.822.907.066	-6.637.058.258	LATAM	Mexico City	Mexico	7024	5/19/2017 3:51	59542	365	7.498.999.786	0.25	149029	5.999.000.168	0.300000012	5	2.999.500.122	2.249.600.067	6.748.999.786	Central America	Distrito Federal	PENDING	NaN	365	17	NaN	http://images.acmesports.sports/Perfect+Fitnes...	Perfect Fitness Perfect Rip Deck	5.999.000.168	0	5/22/2017 3:51	Standard Class

df.shape

(23090, 53)

Información general del DataFrame ---tipo de datos---

Información general del DataFrame: se obtiene la información general, como el número de filas y columnas, los tipos de datos y si hay valores nulos:

df.info()

<class 'pandas.core.frame.DataFrame'>
Index: 23090 entries, 84 to 179628
Data columns (total 53 columns):
 #   Column                         Non-Null Count  Dtype  
---  ------                         --------------  -----  
 0   Type                           23090 non-null  object 
 1   Days for shipping (real)       23090 non-null  int64  
 2   Days for shipment (scheduled)  23090 non-null  int64  
 3   Benefit per order              23090 non-null  float64
 4   Sales per customer             23090 non-null  float64
 5   Delivery Status                23090 non-null  object 
 6   Late_delivery_risk             23090 non-null  int64  
 7   Category Id                    23090 non-null  int64  
 8   Category Name                  23090 non-null  object 
 9   Customer City                  23090 non-null  object 
 10  Customer Country               23090 non-null  object 
 11  Customer Email                 23090 non-null  object 
 12  Customer Fname                 23090 non-null  object 
 13  Customer Id                    23090 non-null  int64  
 14  Customer Lname                 23090 non-null  object 
 15  Customer Password              23090 non-null  object 
 16  Customer Segment               23090 non-null  object 
 17  Customer State                 23090 non-null  object 
 18  Customer Street                23090 non-null  object 
 19  Customer Zipcode               23090 non-null  float64
 20  Department Id                  23090 non-null  int64  
 21  Department Name                23090 non-null  object 
 22  Latitude                       23090 non-null  object 
 23  Longitude                      23090 non-null  object 
 24  Market                         23090 non-null  object 
 25  Order City                     23090 non-null  object 
 26  Order Country                  23090 non-null  object 
 27  Order Customer Id              23090 non-null  int64  
 28  order date (DateOrders)        23090 non-null  object 
 29  Order Id                       23090 non-null  int64  
 30  Order Item Cardprod Id         23090 non-null  int64  
 31  Order Item Discount            23090 non-null  object 
 32  Order Item Discount Rate       23090 non-null  float64
 33  Order Item Id                  23090 non-null  int64  
 34  Order Item Product Price       23090 non-null  object 
 35  Order Item Profit Ratio        23090 non-null  object 
 36  Order Item Quantity            23090 non-null  int64  
 37  Sales                          23090 non-null  object 
 38  Order Item Total               23090 non-null  object 
 39  Order Profit Per Order         23090 non-null  object 
 40  Order Region                   23090 non-null  object 
 41  Order State                    23090 non-null  object 
 42  Order Status                   23090 non-null  object 
 43  Order Zipcode                  0 non-null      float64
 44  Product Card Id                23090 non-null  int64  
 45  Product Category Id            23090 non-null  int64  
 46  Product Description            0 non-null      float64
 47  Product Image                  23090 non-null  object 
 48  Product Name                   23090 non-null  object 
 49  Product Price                  23090 non-null  object 
 50  Product Status                 23090 non-null  int64  
 51  shipping date (DateOrders)     23090 non-null  object 
 52  Shipping Mode                  23090 non-null  object 
dtypes: float64(6), int64(14), object(33)
memory usage: 9.5+ MB

La informacion general indica que los datos en las columnas del tipo "object", significa que son un cadena de texto u otro tipo no numerico

#product description y Order Zipcode esta en blanco toda la columna
# Product state es "0" para toda la columna

Verificar si existen filas duplicadas o espacios vacios.

# verificar filas duplicadas
duplicados=df[df.duplicated()]
if duplicados.empty:
    print("No hay filas duplicadas en el DataFrame.")
else:
    print("Las siguientes filas están duplicadas:")
    print(duplicados)

No hay filas duplicadas en el DataFrame.

# verificar espacios vacios
hay_vacios = df.isna().any().any()

if hay_vacios:
    print("El DataFrame contiene valores vacíos.")
else:
    print("El DataFrame no contiene valores vacíos.")

El DataFrame contiene valores vacíos.

# quitar columnas vacias 
df = df.drop(['Product Description', 'Order Zipcode', 'Product Status'], axis=1)

# quitar columnas vacias 

#ELIMINAMOS FILAS DEL DATAFRAME QUE NO USAMOS.
columnas_a_eliminar = ['Sales per customer','Category Id','Customer City','Customer Email','Customer Fname','Customer Lname',
'Customer Password','Customer State','Customer Street','Customer Zipcode','Department Id','Department Name','Latitude',
'Longitude','Market','Order City','Order Customer Id','Order Item Cardprod Id','Order Item Discount', 'Order Item Discount Rate',
'Order Item Profit Ratio','Product Image']

df = df.drop(columns=columnas_a_eliminar)

cinco ultimas filas

número de filas y columnas

df.shape

(23090, 28)

nombres de columnas

df.columns

Index(['Type', 'Days for shipping (real)', 'Days for shipment (scheduled)', 'Benefit per order', 'Delivery Status', 'Late_delivery_risk', 'Category Name', 'Customer Country', 'Customer Id', 'Customer Segment', 'Order Country', 'order date (DateOrders)', 'Order Id', 'Order Item Id', 'Order Item Product Price', 'Order Item Quantity', 'Sales', 'Order Item Total', 'Order Profit Per Order', 'Order Region', 'Order State', 'Order Status', 'Product Card Id', 'Product Category Id', 'Product Name', 'Product Price', 'shipping date (DateOrders)', 'Shipping Mode'], dtype='object')

# trabajo previo
# 1- filtrar el set de datos original por pais para abarcar solo argentina, brasil y mexico
# 2- quitar columnas

#EL DATAFRAME RESULTANTE DE ESTE PROCESO SE EMPLEA PARA TRABAJAR

#CAMBIAR LAS COLUMNAS A ESPAÑOL
#// prueba para cambiar los valores de las columnas a español
df_espanol=df

#renombro la columna porque tiene espacios
df_espanol.rename(columns={'Category Name':'Categoria',
                           'Type':'Pago'
                           ,'Days for shipping (real)':'DiasEnvio(Real)'
                           , 'Days for shipment (scheduled)':'DiasEnvio(Programado)'
                           , 'Benefit per order':'BeneficioPorPedido'
                           , 'Delivery Status':'EstadoEntrega'
                           , 'Late_delivery_risk':'RiesgoEntregaTardia'
                           , 'Category Name':'Categoria'
                           , 'Customer Country':'PaisCliente'
                           , 'Customer Id':'IDCliente'
                           , 'Customer Segment':'SegmentoCliente'
                           , 'Order Country':'PaisPedido'
                           , 'order date (DateOrders)':'FechaPedido'
                           , 'Order Id':'IDPedido'
                           , 'Order Item Id':'IDArticuloPedido'
                           , 'Order Item Product Price':'PrecioArticuloPedido'
                           , 'Order Item Quantity':'CantidadArticulosPedido'
                           , 'Sales':'Ventas'
                           , 'Order Item Total':'TotalArticulosPedido'
                           , 'Order Profit Per Order':'GananciaPorPedido'
                           , 'Order Region':'RegionPedido'
                           , 'Order State':'DestinoPedido'
                           , 'Order Status':'EstadoPedido'
                           , 'Product Card Id':'IDProducto'
                           , 'Product Category Id':'CategoriaProducto'
                           , 'Product Name':'NombreProducto'
                           , 'Product Price':'PrecioProducto'
                           , 'shipping date (DateOrders)':'FechaEnvio'
                           , 'Shipping Mode':'ModoEnvio'                                
                          
                          },inplace=True)

df_espanol.info()

<class 'pandas.core.frame.DataFrame'>
Index: 23090 entries, 84 to 179628
Data columns (total 28 columns):
 #   Column                   Non-Null Count  Dtype  
---  ------                   --------------  -----  
 0   Pago                     23090 non-null  object 
 1   DiasEnvio(Real)          23090 non-null  int64  
 2   DiasEnvio(Programado)    23090 non-null  int64  
 3   BeneficioPorPedido       23090 non-null  float64
 4   EstadoEntrega            23090 non-null  object 
 5   RiesgoEntregaTardia      23090 non-null  int64  
 6   Categoria                23090 non-null  object 
 7   PaisCliente              23090 non-null  object 
 8   IDCliente                23090 non-null  int64  
 9   SegmentoCliente          23090 non-null  object 
 10  PaisPedido               23090 non-null  object 
 11  FechaPedido              23090 non-null  object 
 12  IDPedido                 23090 non-null  int64  
 13  IDArticuloPedido         23090 non-null  int64  
 14  PrecioArticuloPedido     23090 non-null  object 
 15  CantidadArticulosPedido  23090 non-null  int64  
 16  Ventas                   23090 non-null  object 
 17  TotalArticulosPedido     23090 non-null  object 
 18  GananciaPorPedido        23090 non-null  object 
 19  RegionPedido             23090 non-null  object 
 20  DestinoPedido            23090 non-null  object 
 21  EstadoPedido             23090 non-null  object 
 22  IDProducto               23090 non-null  int64  
 23  CategoriaProducto        23090 non-null  int64  
 24  NombreProducto           23090 non-null  object 
 25  PrecioProducto           23090 non-null  object 
 26  FechaEnvio               23090 non-null  object 
 27  ModoEnvio                23090 non-null  object 
dtypes: float64(1), int64(9), object(18)
memory usage: 5.1+ MB

Conteo de valores únicos por columna:

df_espanol.nunique()

Pago                           4
DiasEnvio(Real)                7
DiasEnvio(Programado)          4
BeneficioPorPedido          8792
EstadoEntrega                  4
RiesgoEntregaTardia            2
Categoria                     31
PaisCliente                    2
IDCliente                   5714
SegmentoCliente                3
PaisPedido                     3
FechaPedido                 7687
IDPedido                    7687
IDArticuloPedido           23090
PrecioArticuloPedido          50
CantidadArticulosPedido        5
Ventas                       164
TotalArticulosPedido        1575
GananciaPorPedido           8792
RegionPedido                   2
DestinoPedido                 76
EstadoPedido                   9
IDProducto                    87
CategoriaProducto             32
NombreProducto                87
PrecioProducto                50
FechaEnvio                  7582
ModoEnvio                      4
dtype: int64

Verificar si existen filas duplicadas o espacios vacios.

# verificar filas duplicadas
duplicados=df_espanol[df.duplicated()]
if duplicados.empty:
    print("No hay filas duplicadas en el DataFrame.")
else:
    print("Las siguientes filas están duplicadas:")
    print(duplicados)

No hay filas duplicadas en el DataFrame.

# verificar espacios vacios
hay_vacios = df_espanol.isna().any().any()

if hay_vacios:
    print("El DataFrame contiene valores vacíos.")
else:
    print("El DataFrame no contiene valores vacíos.")

El DataFrame no contiene valores vacíos.

# FIN DE LA PRIMERA PARTE: Exploración Inicial de Datos:

# 2 PARTE: ANALISIS UNIVARIADO

# VER LOS VALORES DE UNA VARIABLE 
df_espanol.Categoria.unique()

array(["Women's Apparel", 'Shop By Sport', 'Electronics',
       'Baseball & Softball', 'Cardio Equipment', 'Boxing & MMA',
       'Cleats', "Girls' Apparel", 'Accessories', 'Golf Balls',
       'Trade-In', 'Hockey', 'Camping & Hiking', 'Fishing',
       "Men's Footwear", 'Soccer', 'Fitness Accessories',
       "Kids' Golf Clubs", 'Tennis & Racquet', 'Lacrosse',
       'Hunting & Shooting', 'As Seen on  TV!', 'Strength Training',
       'Golf Gloves', 'Golf Bags & Carts', 'Golf Shoes', 'Golf Apparel',
       "Women's Golf Clubs", "Men's Golf Clubs", 'Water Sports',
       'Indoor/Outdoor Games'], dtype=object)

df_espanol.Pago.unique()

array(['PAYMENT', 'TRANSFER', 'DEBIT', 'CASH'], dtype=object)

df_espanol.ModoEnvio.unique()

array(['Second Class', 'Standard Class', 'First Class', 'Same Day'],
      dtype=object)

df_espanol.EstadoEntrega.unique()

array(['Late delivery', 'Shipping on time', 'Advance shipping',
       'Shipping canceled'], dtype=object)

df_espanol.EstadoEntrega.unique()

array(['Late delivery', 'Shipping on time', 'Advance shipping',
       'Shipping canceled'], dtype=object)

#HASTA ACA ESTA TODO BIEN------------

Análisis Univariado:

Distribución de Variables: Realizar un análisis de las variables individuales para entender su distribución. Utilizar histogramas, boxplots y estadísticas descriptivas (media, mediana, desviación estándar, etc.) para las variables numéricas. Para las variables categóricas, calcular frecuencias y proporciones.
Identificación de Outliers: Detectar posibles outliers en las variables numéricas utilizando técnicas como el análisis de boxplots o el cálculo del z-score.

#EXPLORAMOS LOS DATOS:
#Obtenemos estadísticas descriptivas sobre las columnas numéricas del conjunto de datos:

df.describe()

	DiasEnvio(Real)	DiasEnvio(Programado)	BeneficioPorPedido	RiesgoEntregaTardia	IDCliente	IDPedido	IDArticuloPedido	CantidadArticulosPedido	IDProducto	CategoriaProducto
count	23090.000000	23090.000000	2.309000e+04	23090.000000	23090.000000	23090.000000	23090.000000	23090.000000	23090.000000	23090.000000
mean	3.532395	2.957687	2.337699e+09	0.544651	6239.185881	31248.316544	78148.127934	2.182763	664.433911	30.279385
std	1.628313	1.354260	3.819456e+09	0.498013	3574.207795	25789.096724	64514.324265	1.471115	309.893562	13.687618
min	0.000000	0.000000	-9.984000e+09	0.000000	3.000000	1.000000	1.000000	1.000000	19.000000	2.000000
25%	2.000000	2.000000	7.050000e+01	0.000000	3184.000000	5498.000000	13714.250000	1.000000	403.000000	18.000000
50%	3.000000	4.000000	1.966500e+09	1.000000	6194.000000	51386.000000	128407.500000	1.000000	627.000000	29.000000
75%	5.000000	4.000000	4.963000e+09	1.000000	9299.500000	56713.750000	141840.750000	3.000000	1004.000000	45.000000
max	6.000000	4.000000	9.999000e+09	1.000000	12434.000000	61584.000000	153996.000000	5.000000	1073.000000	48.000000

df_espanol.describe()

	DiasEnvio(Real)	DiasEnvio(Programado)	BeneficioPorPedido	RiesgoEntregaTardia	IDCliente	IDPedido	IDArticuloPedido	CantidadArticulosPedido	IDProducto	CategoriaProducto
count	23090.000000	23090.000000	2.309000e+04	23090.000000	23090.000000	23090.000000	23090.000000	23090.000000	23090.000000	23090.000000
mean	3.532395	2.957687	2.337699e+09	0.544651	6239.185881	31248.316544	78148.127934	2.182763	664.433911	30.279385
std	1.628313	1.354260	3.819456e+09	0.498013	3574.207795	25789.096724	64514.324265	1.471115	309.893562	13.687618
min	0.000000	0.000000	-9.984000e+09	0.000000	3.000000	1.000000	1.000000	1.000000	19.000000	2.000000
25%	2.000000	2.000000	7.050000e+01	0.000000	3184.000000	5498.000000	13714.250000	1.000000	403.000000	18.000000
50%	3.000000	4.000000	1.966500e+09	1.000000	6194.000000	51386.000000	128407.500000	1.000000	627.000000	29.000000
75%	5.000000	4.000000	4.963000e+09	1.000000	9299.500000	56713.750000	141840.750000	3.000000	1004.000000	45.000000
max	6.000000	4.000000	9.999000e+09	1.000000	12434.000000	61584.000000	153996.000000	5.000000	1073.000000	48.000000

# Para cada COLUMNA NUMERICA DE INTERES calcular la mediana, MEDIA Y DESVIACION ESTANDAR
# EJEMPLO PARA Benefit per order Y PRECIO DE PRODUCTO

# el precio del producto tiene valores vacios...ademas hay que convertirlo porque esta en formato Object..a numerico para hacer calculos

import re
import pandas as pd

def clean_price(price_str):
    if pd.isna(price_str):
        return None
    
    # Convertir a string si no lo es
    price_str = str(price_str)
    
    # Eliminar espacios en blanco y caracteres no numéricos excepto punto y coma
    cleaned = re.sub(r'[^\d.,]', '', price_str)
    
    # Reemplazar coma por punto si hay más de un punto (asumiendo que la coma es el separador decimal)
    if cleaned.count('.') > 1 and ',' in cleaned:
        cleaned = cleaned.replace(',', '.')
    
    # Si hay más de un punto, asumimos que todos menos el último son separadores de miles
    parts = cleaned.split('.')
    if len(parts) > 2:
        integer_part = ''.join(parts[:-1])
        decimal_part = parts[-1]
        cleaned = f"{integer_part}.{decimal_part}"
    
    try:
        return float(cleaned)
    except ValueError:
        print(f"No se pudo convertir: {price_str}")
        return None

# Aplicar la función a la columna 'Product Price' y mostrar los resultados
df_espanol['Clean Price'] = df['PrecioProducto'].apply(clean_price)

# Mostrar filas donde la limpieza falló
failed_conversions = df[df['PrecioProducto'].isna()]
print("Filas donde la conversión falló:")
print(failed_conversions[['PrecioProducto', 'Clean Price']])

# Calcular la mediana de los precios limpios
median_prices = df.groupby('Categoria')['Clean Price'].median()
print("\nMediana de precios de productos segun categoria:")
print(median_prices)

# Calcular la media de los precios limpios
media_prices = df.groupby('Categoria')['Clean Price'].mean()
print("\nMedia de precios  de productos segun categoria:")
print(media_prices)
# Calcular la desviacion estandar de los precios limpios
std_prices = df.groupby('Categoria')['Clean Price'].std()
print("\nDesviacion estandar de productos segun categoria:")
print(std_prices)

# Mostrar estadísticas de la columna de precios limpios
print("\nEstadísticas de la columna de precio de productos:")
print(df['Clean Price'].describe())

Filas donde la conversión falló:
Empty DataFrame
Columns: [PrecioProducto, Clean Price]
Index: []

Mediana de precios de productos segun categoria:
Categoria
Accessories             2498999.977
As Seen on  TV!         9998999.786
Baseball & Softball     3499000.168
Boxing & MMA            8998999.786
Camping & Hiking         299980.011
Cardio Equipment        9998999.786
Cleats                  5999000.168
Electronics             3198999.977
Fishing                  399980.011
Fitness Accessories     3499000.168
Girls' Apparel               70.000
Golf Apparel            1998999.977
Golf Bags & Carts       1699900.055
Golf Balls              1798999.977
Golf Gloves             3999000.168
Golf Shoes                   80.000
Hockey                       22.000
Hunting & Shooting      2998999.977
Indoor/Outdoor Games    4997999.954
Kids' Golf Clubs        1999900.055
Lacrosse                2498999.977
Men's Footwear          1299900.055
Men's Golf Clubs        1324900.055
Shop By Sport           3999000.168
Soccer                  7998999.786
Strength Training           189.000
Tennis & Racquet        4499000.168
Trade-In                1598999.977
Water Sports            1999900.055
Women's Apparel              50.000
Women's Golf Clubs      7998999.786
Name: Clean Price, dtype: float64

Media de precios  de productos segun categoria:
Categoria
Accessories             2.499000e+06
As Seen on  TV!         9.999000e+06
Baseball & Softball     4.362567e+06
Boxing & MMA            7.405708e+06
Camping & Hiking        2.999800e+05
Cardio Equipment        9.753777e+06
Cleats                  5.999000e+06
Electronics             3.986990e+06
Fishing                 3.999800e+05
Fitness Accessories     3.499000e+06
Girls' Apparel          1.312678e+06
Golf Apparel            1.721369e+06
Golf Bags & Carts       1.699900e+06
Golf Balls              1.774500e+06
Golf Gloves             5.901723e+06
Golf Shoes              8.122826e+01
Hockey                  2.342308e+01
Hunting & Shooting      2.346087e+06
Indoor/Outdoor Games    4.998000e+06
Kids' Golf Clubs        5.153402e+06
Lacrosse                4.604263e+06
Men's Footwear          1.299900e+06
Men's Golf Clubs        2.857235e+06
Shop By Sport           3.879653e+06
Soccer                  5.839288e+06
Strength Training       1.890000e+02
Tennis & Racquet        4.499000e+06
Trade-In                1.899081e+06
Water Sports            1.999900e+06
Women's Apparel         5.000000e+01
Women's Golf Clubs      6.459881e+06
Name: Clean Price, dtype: float64

Desviacion estandar de productos segun categoria:
Categoria
Accessories             0.000000e+00
As Seen on  TV!         0.000000e+00
Baseball & Softball     1.615250e+06
Boxing & MMA            1.902672e+06
Camping & Hiking        0.000000e+00
Cardio Equipment        1.547033e+06
Cleats                  0.000000e+00
Electronics             9.034617e+05
Fishing                 0.000000e+00
Fitness Accessories     0.000000e+00
Girls' Apparel          1.885016e+06
Golf Apparel            3.644281e+05
Golf Bags & Carts       0.000000e+00
Golf Balls              2.190655e+05
Golf Gloves             3.338846e+06
Golf Shoes              1.795299e+01
Hockey                  1.507722e+00
Hunting & Shooting      1.038113e+06
Indoor/Outdoor Games    0.000000e+00
Kids' Golf Clubs        4.335915e+06
Lacrosse                3.400022e+06
Men's Footwear          0.000000e+00
Men's Golf Clubs        3.413800e+06
Shop By Sport           6.421471e+05
Soccer                  3.213214e+06
Strength Training       0.000000e+00
Tennis & Racquet        0.000000e+00
Trade-In                3.393157e+05
Water Sports            0.000000e+00
Women's Apparel         0.000000e+00
Women's Golf Clubs      3.646446e+06
Name: Clean Price, dtype: float64

Estadísticas de la columna de precio de productos:
count    2.309000e+04
mean     3.035057e+06
std      2.934299e+06
min      2.200000e+01
25%      3.999800e+05
50%      1.999900e+06
75%      4.998000e+06
max      9.999000e+06
Name: Clean Price, dtype: float64

import re
import pandas as pd

def clean_Beneficio_por_pedido(benPP_str):
    if pd.isna(benPP_str):
        return None
    
    # Convertir a string si no lo es
    benPP_str = str(benPP_str)
    
    # Eliminar espacios en blanco y caracteres no numéricos excepto punto y coma
    cleaned = re.sub(r'[^\d.,]', '', benPP_str)
    
    # Reemplazar coma por punto si hay más de un punto (asumiendo que la coma es el separador decimal)
    if cleaned.count('.') > 1 and ',' in cleaned:
        cleaned = cleaned.replace(',', '.')
    
    # Si hay más de un punto, asumimos que todos menos el último son separadores de miles
    parts = cleaned.split('.')
    if len(parts) > 2:
        integer_part = ''.join(parts[:-1])
        decimal_part = parts[-1]
        cleaned = f"{integer_part}.{decimal_part}"
    
    try:
        return float(cleaned)
    except ValueError:
        print(f"No se pudo convertir: {benPP_str}")
        return None

# Aplicar la función a la columna 'Benefit per order' y mostrar los resultados
df['clean_Beneficio_por_pedido'] = df['BeneficioPorPedido'].apply(clean_Beneficio_por_pedido)

# Mostrar filas donde la limpieza falló
failed_conversions = df[df['clean_Beneficio_por_pedido'].isna()]
print("Filas donde la conversión falló:")
print(failed_conversions[['BeneficioPorPedido', 'clean_Beneficio_por_pedido']])

# Calcular la mediana de los precios limpios
median_prices = df.groupby('IDPedido')['clean_Beneficio_por_pedido'].median()
print("\nMediana de precios por producto:")
print(median_prices)

# Mostrar estadísticas de la columna de precios limpios
print("\nEstadísticas de la columna Beneficio por Pedido:")
print(df['clean_Beneficio_por_pedido'].describe())

Filas donde la conversión falló:
Empty DataFrame
Columns: [BeneficioPorPedido, clean_Beneficio_por_pedido]
Index: []

Mediana de precios por producto:
IDPedido
1        8.879000e+09
7        4.580000e+09
8        1.499750e+09
9        1.980000e+09
10       1.564000e+09
             ...     
61580    1.161900e+09
61581    5.390000e+09
61582    1.050000e+09
61583    2.910000e+09
61584    2.291000e+09
Name: clean_Beneficio_por_pedido, Length: 7687, dtype: float64

Estadísticas de la columna Beneficio por Pedido:
count    2.309000e+04
mean     3.543691e+09
std      2.737705e+09
min      0.000000e+00
25%      1.329900e+09
50%      2.886000e+09
75%      5.481000e+09
max      9.999000e+09
Name: clean_Beneficio_por_pedido, dtype: float64

#histogramas, boxplots

# dias de entrega real
conteo_productos = df_espanol['DiasEnvio(Real)'].value_counts()

# Crear un gráfico de barras
plt.figure(figsize=(12, 6))
conteo_productos.plot(kind='bar')
plt.xlabel('dias')
plt.ylabel('Frecuencia')
plt.title('dias de entrega')
plt.xticks(rotation=60)  # Rotar etiquetas del eje x para mayor legibilidad
plt.show()

dias_entrega_real=df_espanol.groupby(['DiasEnvio(Real)'])['IDPedido'].count().reset_index(name='Numero de Pedidos').sort_values(by= 'Numero de Pedidos', ascending= False)
fig=px.bar(dias_entrega_real, x='DiasEnvio(Real)', y='Numero de Pedidos'  , color='DiasEnvio(Real)',
      )
fig.show()

#dias de entrega programado
conteo_productos = df_espanol['DiasEnvio(Programado)'].value_counts()

# Crear un gráfico de barras
plt.figure(figsize=(12, 6))
conteo_productos.plot(kind='bar')
plt.xlabel('dias')
plt.ylabel('Frecuencia')
plt.title('dias de entrega')
plt.xticks(rotation=60)  # Rotar etiquetas del eje x para mayor legibilidad
plt.show()

dias_entrega_real=df_espanol.groupby(['DiasEnvio(Programado)'])['IDPedido'].count().reset_index(name='Numero de Pedidos').sort_values(by= 'Numero de Pedidos', ascending= False)
fig=px.bar(dias_entrega_real, x='DiasEnvio(Programado)', y='Numero de Pedidos'  , color='DiasEnvio(Programado)'
      )
fig.show()

#FRECUENCIA DE PRODUCTOS
#Contamos y graficamos la frecuencia de los PRODUCTOS (muestra cuántas veces aparece cada PRODUCTO en los datos):
    # Contar la frecuencia de cada producto
conteo_productos = df_espanol['NombreProducto'].value_counts()

# Crear un gráfico de barras
plt.figure(figsize=(12, 6))
conteo_productos.plot(kind='bar')
plt.xlabel('Producto')
plt.ylabel('Frecuencia')
plt.title('Frecuencia de producto')
plt.xticks(rotation=60)  # Rotar etiquetas del eje x para mayor legibilidad
plt.show()

dias_entrega_real=df_espanol.groupby(['NombreProducto'])['IDProducto'].count().reset_index(name='Numero de Pedidos').sort_values(by= 'Numero de Pedidos', ascending= False)
fig=px.bar(dias_entrega_real, x='NombreProducto', y='Numero de Pedidos'  , color='NombreProducto'
      )
fig.show()

#FRECUENCIA DE PRODUCTOS
#Contamos y graficamos la frecuencia de los PRODUCTOS (muestra cuántas veces aparece cada PRODUCTO en los datos):
    # Contar la frecuencia de cada producto
conteo_categorias = df_espanol['CategoriaProducto'].value_counts()

# Crear un gráfico de barras
plt.figure(figsize=(12, 6))
conteo_categorias.plot(kind='barh')
plt.xlabel('Categoria')
plt.ylabel('Frecuencia')
plt.title('Frecuencia de categoria')
plt.xticks(rotation=60)  # Rotar etiquetas del eje x para mayor legibilidad
plt.show()

dias_entrega_real=df_espanol.groupby(['CategoriaProducto'])['IDProducto'].count().reset_index(name='Numero de Pedidos').sort_values(by= 'Numero de Pedidos', ascending= False)
fig=px.bar(dias_entrega_real, x='CategoriaProducto', y='Numero de Pedidos'  , color='CategoriaProducto'
      )
fig.show()

dias_entrega_real=df_espanol.groupby(['Categoria'])['IDProducto'].count().reset_index(name='Numero de Pedidos').sort_values(by= 'Numero de Pedidos', ascending= False)
fig=px.bar(dias_entrega_real, x='Categoria', y='Numero de Pedidos'  , color='Categoria'
      )
fig.show()

#Agrupamos por categoria y creamos un gráfico de barras que muestra el recuento de productos para cada categoria.
df_espanol.groupby('Categoria').count()['NombreProducto'].plot(kind='bar')

<Axes: xlabel='Categoria'>

dias_entrega_real=df_espanol.groupby(['Categoria'])['IDProducto'].count().reset_index(name='Numero de Pedidos').sort_values(by= 'Numero de Pedidos', ascending= False)
fig=px.bar(dias_entrega_real, x='Categoria', y='Numero de Pedidos'  , color='Categoria'
      )
fig.show()

#Ahora buscamos el categoria con mayor :
df_espanol.groupby('Categoria').count()['Ventas'].plot(kind='barh')

<Axes: ylabel='Categoria'>

# Aplicar la función a la columna 'Benefit per order' y mostrar los resultados
df_espanol['Ventas'] = df_espanol['Ventas'].apply(clean_Beneficio_por_pedido)
#df_espanol = df_espanol.drop([']Ventas'], axis=1)

df_espanol['Ventas1'] = df_espanol['Ventas']/100000

dias_entrega_real=df_espanol.groupby(['Categoria'])['Ventas1'].sum().reset_index(name='Total ventas').sort_values(by= 'Total ventas', ascending= False)
fig=px.bar(dias_entrega_real, x='Categoria', y='Total ventas'  , color='Categoria'
      )
fig.show()

estado de las ordenes (segun pais) - se discrimina por el estado de la orden

df_espanol.info()

<class 'pandas.core.frame.DataFrame'>
Index: 23090 entries, 84 to 179628
Data columns (total 32 columns):
 #   Column                      Non-Null Count  Dtype  
---  ------                      --------------  -----  
 0   Pago                        23090 non-null  object 
 1   DiasEnvio(Real)             23090 non-null  int64  
 2   DiasEnvio(Programado)       23090 non-null  int64  
 3   BeneficioPorPedido          23090 non-null  float64
 4   EstadoEntrega               23090 non-null  object 
 5   RiesgoEntregaTardia         23090 non-null  int64  
 6   Categoria                   23090 non-null  object 
 7   PaisCliente                 23090 non-null  object 
 8   IDCliente                   23090 non-null  int64  
 9   SegmentoCliente             23090 non-null  object 
 10  PaisPedido                  23090 non-null  object 
 11  FechaPedido                 23090 non-null  object 
 12  IDPedido                    23090 non-null  int64  
 13  IDArticuloPedido            23090 non-null  int64  
 14  PrecioArticuloPedido        23090 non-null  object 
 15  CantidadArticulosPedido     23090 non-null  int64  
 16  Ventas                      23090 non-null  float64
 17  TotalArticulosPedido        23090 non-null  object 
 18  GananciaPorPedido           23090 non-null  object 
 19  RegionPedido                23090 non-null  object 
 20  DestinoPedido               23090 non-null  object 
 21  EstadoPedido                23090 non-null  object 
 22  IDProducto                  23090 non-null  int64  
 23  CategoriaProducto           23090 non-null  int64  
 24  NombreProducto              23090 non-null  object 
 25  PrecioProducto              23090 non-null  object 
 26  FechaEnvio                  23090 non-null  object 
 27  ModoEnvio                   23090 non-null  object 
 28  Clean Price                 23090 non-null  float64
 29  clean_Beneficio_por_pedido  23090 non-null  float64
 30  Customer_ID_STR             23090 non-null  object 
 31  Ventas1                     23090 non-null  float64
dtypes: float64(5), int64(9), object(18)
memory usage: 5.8+ MB

data_delivery_status_region=df_espanol.groupby(['EstadoPedido', 'PaisPedido'])['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= False)
fig=px.bar(data_delivery_status_region, x='EstadoPedido', y='Number of Orders'  , color='PaisPedido',
      )
fig.show()

estado de las ordenes segun region - discriminado por estado de las ordenes

data_delivery_status_region=df_espanol.groupby(['EstadoPedido', 'RegionPedido'])['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= False)
fig=px.bar(data_delivery_status_region, x='EstadoPedido', y='Number of Orders'  , color='RegionPedido',
      )
fig.show()

data_delivery_status_region=df_espanol.groupby(['EstadoPedido', 'PaisCliente'])['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= False)
fig=px.bar(data_delivery_status_region, x='EstadoPedido', y='Number of Orders'  , color='PaisCliente',
      )
fig.show()

ESTO NO VA, PORQUE SE SACO LA CIUDAD............estado de las ordenes segun el codigo de estado

data_delivery_status_region=df_espanol.groupby(['EstadoEntrega', 'PaisPedido'])['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= False)
fig=px.bar(data_delivery_status_region, x='EstadoEntrega', y='Number of Orders'  , color='PaisPedido',
      )
fig.show()

data_delivery_status_region=df_espanol.groupby(['EstadoEntrega', 'RegionPedido'])['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= False)
fig=px.bar(data_delivery_status_region, x='EstadoEntrega', y='Number of Orders'  , color='RegionPedido',
      )
fig.show()

son iguales porque hay solo un pais por region

data_delivery_status_region=df_espanol.groupby(['EstadoEntrega', 'PaisCliente'])['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= False)
fig=px.bar(data_delivery_status_region, x='EstadoEntrega', y='Number of Orders'  , color='PaisCliente',
      )
fig.show()

solo para argentina*

# Primero, filtramos el DataFrame para incluir solo los datos de Argentina
df_argentina = df_espanol[df_espanol['PaisPedido'] == 'Argentina']

# Ahora realizamos el agrupamiento solo con los datos de Argentina
data_delivery_status_argentina = df_argentina.groupby('EstadoEntrega')['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by='Number of Orders', ascending=False)

# Creamos el gráfico de barras
fig = px.bar(data_delivery_status_argentina,
             x='EstadoEntrega',
             y='Number of Orders',
             title='Delivery Status for Orders in Argentina')

# Mostramos el gráfico
fig.show()

#solo para cordoba
# Primero, filtramos el DataFrame para incluir solo los datos de Argentina
df_argentina = df_espanol[df_espanol['PaisCliente'] == 'Puerto Rico']

# Ahora realizamos el agrupamiento solo con los datos de Argentina
data_delivery_status_argentina = df_argentina.groupby('EstadoEntrega')['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by='Number of Orders', ascending=False)

# Creamos el gráfico de barras
fig = px.bar(data_delivery_status_argentina,
             x='EstadoEntrega',
             y='Number of Orders',
             title='Estado de los pedidos que iran a Puerto Rico')

# Mostramos el gráfico
fig.show()

los principales 20 clientes segun la cantidad de pedidos

df_espanol['Customer_ID_STR']=df_espanol['IDCliente'].astype(str)

data_customers=df_espanol.groupby(['Customer_ID_STR'])['IDCliente'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= False)
fig=px.bar(data_customers.head(20),x='Number of Orders', y='Customer_ID_STR' , color='Number of Orders'      )
fig.show()

20 principales clientes segun la cantidad de pedidos de argentina

#solo para cordoba
# Primero, filtramos el DataFrame para incluir solo los datos de Argentina
df_argentina = df_espanol[df_espanol['PaisPedido'] == 'Argentina']
data_customers=df_argentina.groupby(['Customer_ID_STR'])['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= False)
fig=px.bar(data_customers.head(20),x='Number of Orders', y='Customer_ID_STR' , color='Number of Orders'      )
fig.show()

20 principales clientes segun las ganancias de todos los pedidos

----RECORDAR CAMBIAR "'CUSOTMER_ID_STR' EN TODOS ESTOS GRAFICOS, PONER UN NOMBRE APROPIADO"

#df_espanol.info()

df_espanol['Customer_ID_STR']=df_espanol['IDCliente'].astype(str)

data_customers_profit=df_espanol.groupby(['Customer_ID_STR'])['Ventas1'].sum().reset_index(name='Ventas1').sort_values(by= 'Ventas1', ascending= False)
fig=px.bar(data_customers_profit.head(20),x='Ventas1', y='Customer_ID_STR' , color='Ventas1'      )
fig.show()

#ACLARAR QUE LOS VALORES ESTAN DIVIDIDOS POR MILLONES

segmento de cliente

#Customer Segments
data_Customer_Segment=df_espanol.groupby(['SegmentoCliente'])['IDCliente'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= False)
fig=px.pie(data_Customer_Segment, values='Number of Orders', names= 'SegmentoCliente' , title= 'Number of Orders of different Customer Segments',
       width=600 , height=600 , color_discrete_sequence = px.colors.qualitative.D3)
fig.show()

#Customer Segments de cordoba
df_argentina = df_espanol[df_espanol['RegionPedido'] == 'South America']

data_Customer_Segment=df_argentina.groupby(['SegmentoCliente'])['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= False)
px.pie(data_Customer_Segment, values='Number of Orders', names= 'SegmentoCliente' , title= 'Number of Orders of different Customer Segments',
       width=600 , height=600 , color_discrete_sequence = ["red", "green", "blue", "goldenrod", "magenta"])

#Customer Segments de cordoba
df_argentina = df_espanol[df_espanol['RegionPedido'] == 'Central America']

data_Customer_Segment=df_argentina.groupby(['SegmentoCliente'])['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= False)
px.pie(data_Customer_Segment, values='Number of Orders', names= 'SegmentoCliente' , title= 'Number of Orders of different Customer Segments',
       width=600 , height=600 , color_discrete_sequence = px.colors.qualitative.G10)

#BUSCAR LAS COMBINACIONES DE COLORES QUE QUEDEN PAREJAS...........NO MUY DISTINTAS

cagtegoria

#Categorias
data_Category_Name=df_espanol.groupby(['Categoria'])['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= True)
px.bar(data_Category_Name, x='Number of Orders',y = 'Categoria',color ='Number of Orders')

nombres de categorias para argentina

df_argentina = df_espanol[df_espanol['PaisPedido'] == 'Argentina']
data_Category_Name=df_argentina.groupby(['Categoria'])['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= True)
px.bar(data_Category_Name, x='Number of Orders',y = 'Categoria',color ='Number of Orders')

caracteristicas geografica

data_Region=df_espanol.groupby(['RegionPedido'])['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= True)
px.bar(data_Region, x='Number of Orders',y = 'RegionPedido',color ='Number of Orders')

data_countries=df_espanol.groupby(['PaisPedido'])['IDPedido'].count().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= True)
px.bar(data_countries.head(20), x='Number of Orders',y = 'PaisPedido',color ='Number of Orders')

#FALTA SUMAR LAS VENTAS POR PAIS
#-----notar la escala es distinta, ver como se interpreta



data_countries=df_espanol.groupby(['PaisPedido'])['Ventas1'].sum().reset_index(name='Number of Orders').sort_values(by= 'Number of Orders', ascending= True)
px.bar(data_countries.head(20), x='Number of Orders',y = 'PaisPedido',color ='Number of Orders')

df_geo=df_espanol.groupby([ 'RegionPedido', 'PaisPedido'])['Ventas1'].sum().reset_index(name='Ventas').sort_values(by= 'Ventas', ascending= False)

df_geo

	RegionPedido	PaisPedido	Ventas
0	Central America	Mexico	282077.461240
2	South America	Brasil	170193.677838
1	South America	Argentina	41405.607661

import pandas as pd
import plotly.express as px

# Asumiendo que ya tienes tu DataFrame 'df_geo'

# Crear el gráfico de coropletas
fig = px.choropleth(df_geo,
                    locationmode='country names',
                    locations='PaisPedido',
                    color='Ventas',
                    hover_name='PaisPedido',
                    color_continuous_scale=px.colors.sequential.Plasma)

# Ajustar el diseño para una mejor visualización
fig.update_layout(
    title_text='Mapa de Ganancias por País',
    geo=dict(
        showframe=False,
        showcoastlines=True,
        projection_type='equirectangular'
    )
)

# Mostrar el gráfico
fig.show()

df_espanol.PaisPedido.unique()

array(['Brasil', 'Mexico', 'Argentina'], dtype=object)

# Ver si incluir si...el mapa no carga brasil
df_geo=df_espanol.groupby([ 'RegionPedido', 'PaisPedido'])['Ventas1'].sum().reset_index(name='Ventas1').sort_values(by= 'Ventas1', ascending= False)

px.pie(df_geo, values='Ventas1', names= 'PaisPedido' , title= 'Number of Orders of different Customer Segments',
       width=600 , height=600 , color_discrete_sequence = px.colors.qualitative.G10)

analisis de ventas

#HASTA ACA BIEN, SOLO HAY QUE VER QUE GRAFICOS QUEDAN Y CAMBIAR VARIABLES Y TITULOS DESCRIPTIVOS

# Asumiendo que tu DataFrame se llama 'df'

# 1. Verificar el tipo de datos actual y mostrar algunos ejemplos
print("Tipo de datos original de 'Ventas':", df_espanol['Ventas'].dtype)
print("\nEjemplos de valores en 'Ventas':")
print(df_espanol['Ventas'].head())

# 2. Función para convertir strings con formato europeo a float
def euro_to_float(value):
    # Reemplazar el punto por nada (eliminar separador de miles)
    # y la coma por punto (para decimales si los hubiera)
    return float(value.replace('.', '').replace(',', '.'))

# 3. Aplicar la conversión a la columna 'Sales'
df_espanol['Ventas1'] = df_espanol['Ventas'].apply(euro_to_float)

# 4. Crear la nueva columna 'Sales_Reduced'
df_espanol['Sales_Reduced'] = df_espanol['Ventas'] / 10000

#Order Country
#df['Sales_Reduced'] = df['Sales'] / 10000

Tipo de datos original de 'Ventas': float64

Ejemplos de valores en 'Ventas':
84    150.0
86    150.0
87    150.0
88    150.0
89    150.0
Name: Ventas, dtype: float64

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
Cell In[119], line 15
     12     return float(value.replace('.', '').replace(',', '.'))
     14 # 3. Aplicar la conversión a la columna 'Sales'
---> 15 df_espanol['Ventas1'] = df_espanol['Ventas'].apply(euro_to_float)
     17 # 4. Crear la nueva columna 'Sales_Reduced'
     18 df_espanol['Sales_Reduced'] = df_espanol['Ventas'] / 10000

File ~\anaconda3\lib\site-packages\pandas\core\series.py:4924, in Series.apply(self, func, convert_dtype, args, by_row, **kwargs)
   4789 def apply(
   4790     self,
   4791     func: AggFuncType,
   (...)
   4796     **kwargs,
   4797 ) -> DataFrame | Series:
   4798     """
   4799     Invoke function on values of Series.
   4800 
   (...)
   4915     dtype: float64
   4916     """
   4917     return SeriesApply(
   4918         self,
   4919         func,
   4920         convert_dtype=convert_dtype,
   4921         by_row=by_row,
   4922         args=args,
   4923         kwargs=kwargs,
-> 4924     ).apply()

File ~\anaconda3\lib\site-packages\pandas\core\apply.py:1427, in SeriesApply.apply(self)
   1424     return self.apply_compat()
   1426 # self.func is Callable
-> 1427 return self.apply_standard()

File ~\anaconda3\lib\site-packages\pandas\core\apply.py:1507, in SeriesApply.apply_standard(self)
   1501 # row-wise access
   1502 # apply doesn't have a `na_action` keyword and for backward compat reasons
   1503 # we need to give `na_action="ignore"` for categorical data.
   1504 # TODO: remove the `na_action="ignore"` when that default has been changed in
   1505 #  Categorical (GH51645).
   1506 action = "ignore" if isinstance(obj.dtype, CategoricalDtype) else None
-> 1507 mapped = obj._map_values(
   1508     mapper=curried, na_action=action, convert=self.convert_dtype
   1509 )
   1511 if len(mapped) and isinstance(mapped[0], ABCSeries):
   1512     # GH#43986 Need to do list(mapped) in order to get treated as nested
   1513     #  See also GH#25959 regarding EA support
   1514     return obj._constructor_expanddim(list(mapped), index=obj.index)

File ~\anaconda3\lib\site-packages\pandas\core\base.py:921, in IndexOpsMixin._map_values(self, mapper, na_action, convert)
    918 if isinstance(arr, ExtensionArray):
    919     return arr.map(mapper, na_action=na_action)
--> 921 return algorithms.map_array(arr, mapper, na_action=na_action, convert=convert)

File ~\anaconda3\lib\site-packages\pandas\core\algorithms.py:1743, in map_array(arr, mapper, na_action, convert)
   1741 values = arr.astype(object, copy=False)
   1742 if na_action is None:
-> 1743     return lib.map_infer(values, mapper, convert=convert)
   1744 else:
   1745     return lib.map_infer_mask(
   1746         values, mapper, mask=isna(values).view(np.uint8), convert=convert
   1747     )

File lib.pyx:2972, in pandas._libs.lib.map_infer()

Cell In[119], line 12, in euro_to_float(value)
      9 def euro_to_float(value):
     10     # Reemplazar el punto por nada (eliminar separador de miles)
     11     # y la coma por punto (para decimales si los hubiera)
---> 12     return float(value.replace('.', '').replace(',', '.'))

AttributeError: 'float' object has no attribute 'replace'

df_sales_country=df_espanol.groupby([ 'RegionPedido'])['Ventas1'].sum().reset_index(name='Sales of Orders').sort_values(by= 'Sales of Orders', ascending= False)
px.bar(df_sales_country.head(10), x='Sales of Orders',y = 'RegionPedido',color ='Sales of Orders')

#Order Country
df_sales_country=df_espanol.groupby([ 'PaisPedido'])['Ventas1'].sum().reset_index(name='Sales of Orders').sort_values(by= 'Sales of Orders', ascending= False)
fig=px.bar(df_sales_country.head(10), x='Sales of Orders',y = 'PaisPedido',color ='Sales of Orders')
fig.show()

productos

#Product
df_sales_country=df_espanol.groupby([ 'NombreProducto'])['Ventas1'].sum().reset_index(name='Sales of Orders').sort_values(by= 'Sales of Orders', ascending= False)
fig=px.bar(df_sales_country.head(10), x='Sales of Orders',y = 'NombreProducto',color ='Sales of Orders')
fig.show()

producto segun el estado de entrega

#Product and deliveray status
df_sales_pd=df_espanol.groupby([ 'NombreProducto', 'EstadoEntrega'])['Ventas1'].sum().reset_index(name='Sales of Orders').sort_values(by= 'Sales of Orders', ascending= False)
px.bar(df_sales_pd.head(10), x='Sales of Orders',y = 'NombreProducto',color ='EstadoEntrega')

productos y regiones de la orden

#Product and order region
df_sales_pr=df_espanol.groupby([ 'NombreProducto', 'RegionPedido'])['Ventas1'].sum().reset_index(name='Sales of Orders').sort_values(by= 'Sales of Orders', ascending= False)
fig=px.bar(df_sales_pr.head(10), x='Sales of Orders',y = 'NombreProducto',color ='RegionPedido')
fig.show()

categorias

#'Category Name'
df_sales_pr=df_espanol.groupby([  'Categoria'])['Ventas1'].sum().reset_index(name='Ventas1').sort_values(by= 'Ventas1', ascending= False)
px.bar(df_sales_pr.head(10), x='Ventas1',y = 'Categoria',color ='Categoria')

segun el tipo de pago

#'Type of payment
df_sales_pr=df_espanol.groupby([ 'Pago'])['Ventas1'].sum().reset_index(name='Ventas1').sort_values(by= 'Ventas1', ascending= False)
px.bar(df_sales_pr.head(10), x='Ventas1',y = 'Pago',color ='Ventas1')

ver esto.....

df_sales_tp=df_espanol.groupby([ 'NombreProducto','Pago'])['Ventas1'].sum().reset_index(name='Ventas1').sort_values(by= 'Ventas1', ascending= False)
fig=px.bar(df_sales_tp.head(100), x='Ventas1',y = 'Pago',color ='NombreProducto')
fig.show()

analisis de ventas segun las fechas

import datetime as dt

data_orderdate=df_espanol[['FechaEnvio', 'Ventas1']]
data_orderdate['order_date'] = pd.to_datetime(data_orderdate['FechaEnvio'])

C:\Users\Usuario\AppData\Local\Temp\ipykernel_18968\1666086263.py:4: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

data_orderdate["Quarter"] = data_orderdate['order_date'].dt.quarter
data_orderdate["Month"] = data_orderdate['order_date'].dt.month
data_orderdate["year"] = data_orderdate['order_date'].dt.year

C:\Users\Usuario\AppData\Local\Temp\ipykernel_18968\3482627655.py:1: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

C:\Users\Usuario\AppData\Local\Temp\ipykernel_18968\3482627655.py:2: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

C:\Users\Usuario\AppData\Local\Temp\ipykernel_18968\3482627655.py:3: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

data_orderdate["Quarter"] = data_orderdate['order_date'].dt.quarter
data_orderdate["Month"] = data_orderdate['order_date'].dt.month
data_orderdate["year"] = data_orderdate['order_date'].dt.year

C:\Users\Usuario\AppData\Local\Temp\ipykernel_18968\3482627655.py:1: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

C:\Users\Usuario\AppData\Local\Temp\ipykernel_18968\3482627655.py:2: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

C:\Users\Usuario\AppData\Local\Temp\ipykernel_18968\3482627655.py:3: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

data_orderdate['YearStr']=data_orderdate['year'].astype(str)
df_sales_year=data_orderdate.groupby([ 'YearStr'])['Ventas1'].sum().reset_index(name='Sales of Orders').sort_values(by= 'Sales of Orders', ascending= False)
fig=px.bar(df_sales_year, x='Sales of Orders',y = 'YearStr',color ='Sales of Orders')
fig.show()

C:\Users\Usuario\AppData\Local\Temp\ipykernel_18968\736912763.py:1: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

data_orderdate['QuarterStr']=data_orderdate['Quarter'].astype(str)
df_sales_quarter=data_orderdate.groupby([ 'YearStr','QuarterStr'])['Ventas1'].sum().reset_index(name='Ventas1').sort_values(by= 'Ventas1', ascending= False)
fig=px.bar(df_sales_quarter, x='Ventas1',y = 'QuarterStr',color ='YearStr')
fig.show()

C:\Users\Usuario\AppData\Local\Temp\ipykernel_18968\2549423506.py:1: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

data_orderdate['MonthStr']=data_orderdate['Month'].astype(str)
df_sales_m=data_orderdate.groupby([ 'QuarterStr', 'MonthStr'])['Ventas1'].sum().reset_index(name='Ventas1').sort_values(by= 'Ventas1', ascending= False)
fig=px.bar(df_sales_m, x='Ventas1',y = 'QuarterStr',color ='MonthStr')
fig.show()

C:\Users\Usuario\AppData\Local\Temp\ipykernel_18968\1003044912.py:1: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

data_orderdate['YearStr']=data_orderdate['Month'].astype(str)
df_sales_quarter=data_orderdate.groupby([ 'YearStr','Month'])['Ventas1'].sum().reset_index(name='Ventas1').sort_values(by= 'Ventas1', ascending= False)
fig=px.bar(df_sales_quarter, x='YearStr',y = 'Ventas1',color ='Month')
fig.show()

C:\Users\Usuario\AppData\Local\Temp\ipykernel_18968\2218752510.py:1: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

data_orderdate['YearStr'].unique()

array(['4', '3', '2', '1', '5', '6'], dtype=object)

# Primero, convertimos la columna a tipo datetime
df_espanol['FechaEnvio'] = pd.to_datetime(df_espanol['FechaEnvio'])

# Ahora creamos las nuevas columnas
df_espanol['dia'] = df_espanol['FechaEnvio'].dt.day
df_espanol['mes'] = df_espanol['FechaEnvio'].dt.month
df_espanol['anio'] = df_espanol['FechaEnvio'].dt.year


# Si quieres que el formato sea exactamente como 1-18-2018, puedes hacer:
df_espanol['fecha_formateada'] = df_espanol['FechaEnvio'].dt.strftime('%d-%m-%Y')


data_orderdate['YearStr']=data_orderdate['Month'].astype(str)
df_sales_quarter=df_espanol.groupby([ 'anio','mes'])['Ventas1'].count().reset_index(name='Ventas1').sort_values(by= 'Ventas1', ascending= False)
fig=px.bar(df_sales_quarter, x='anio',y = 'Ventas1',color ='Ventas1')
fig.show()

C:\Users\Usuario\AppData\Local\Temp\ipykernel_18968\1173019489.py:14: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

df_espanol.info()

<class 'pandas.core.frame.DataFrame'>
Index: 23090 entries, 84 to 179628
Data columns (total 32 columns):
 #   Column                      Non-Null Count  Dtype  
---  ------                      --------------  -----  
 0   Pago                        23090 non-null  object 
 1   DiasEnvio(Real)             23090 non-null  int64  
 2   DiasEnvio(Programado)       23090 non-null  int64  
 3   BeneficioPorPedido          23090 non-null  float64
 4   EstadoEntrega               23090 non-null  object 
 5   RiesgoEntregaTardia         23090 non-null  int64  
 6   Categoria                   23090 non-null  object 
 7   PaisCliente                 23090 non-null  object 
 8   IDCliente                   23090 non-null  int64  
 9   SegmentoCliente             23090 non-null  object 
 10  PaisPedido                  23090 non-null  object 
 11  FechaPedido                 23090 non-null  object 
 12  IDPedido                    23090 non-null  int64  
 13  IDArticuloPedido            23090 non-null  int64  
 14  PrecioArticuloPedido        23090 non-null  object 
 15  CantidadArticulosPedido     23090 non-null  int64  
 16  Ventas                      23090 non-null  float64
 17  TotalArticulosPedido        23090 non-null  object 
 18  GananciaPorPedido           23090 non-null  object 
 19  RegionPedido                23090 non-null  object 
 20  DestinoPedido               23090 non-null  object 
 21  EstadoPedido                23090 non-null  object 
 22  IDProducto                  23090 non-null  int64  
 23  CategoriaProducto           23090 non-null  int64  
 24  NombreProducto              23090 non-null  object 
 25  PrecioProducto              23090 non-null  object 
 26  FechaEnvio                  23090 non-null  object 
 27  ModoEnvio                   23090 non-null  object 
 28  Clean Price                 23090 non-null  float64
 29  clean_Beneficio_por_pedido  23090 non-null  float64
 30  Customer_ID_STR             23090 non-null  object 
 31  Ventas1                     23090 non-null  float64
dtypes: float64(5), int64(9), object(18)
memory usage: 5.8+ MB

titulo de esto...........

#separar la fecha

# Primero, convertimos la columna a tipo datetime
df_espanol['FechaEnvio'] = pd.to_datetime(df_espanol['FechaEnvio'])

# Ahora creamos las nuevas columnas
df_espanol['dia'] = df_espanol['FechaEnvio'].dt.day
df_espanol['mes'] = df_espanol['FechaEnvio'].dt.month
df_espanol['anio'] = df_espanol['FechaEnvio'].dt.year


# Si quieres que el formato sea exactamente como 1-18-2018, puedes hacer:
df_espanol['fecha_formateada'] = df_espanol['FechaEnvio'].dt.strftime('%d-%m-%Y')

df_espanol.head()

	Pago	DiasEnvio(Real)	DiasEnvio(Programado)	BeneficioPorPedido	EstadoEntrega	RiesgoEntregaTardia	Categoria	PaisCliente	IDCliente	SegmentoCliente	PaisPedido	FechaPedido	IDPedido	IDArticuloPedido	PrecioArticuloPedido	CantidadArticulosPedido	Ventas	TotalArticulosPedido	GananciaPorPedido	RegionPedido	DestinoPedido	EstadoPedido	IDProducto	CategoriaProducto	NombreProducto	PrecioProducto	FechaEnvio	ModoEnvio	Clean Price	clean_Beneficio_por_pedido	Customer_ID_STR	Ventas1	dia	mes	anio	fecha_formateada
84	PAYMENT	4	2	2.347000e+09	Late delivery	1	Women's Apparel	Puerto Rico	8541	Home Office	Brasil	4/11/2017 15:49	56973	142502	50	3	150.0	144	2.346.999.931	South America	Bahía	PENDING_PAYMENT	502	24	Nike Men's Dri-FIT Victory Golf Polo	50	2017-04-15 15:49:00	Second Class	50.0	2.347000e+09	8541	0.0015	15	4	2017	15-04-2017
86	PAYMENT	6	2	4.366000e+09	Late delivery	1	Women's Apparel	Puerto Rico	3752	Home Office	Mexico	3/16/2017 2:54	55155	137932	50	3	150.0	139.5	4.365.999.985	Central America	Distrito Federal	PENDING_PAYMENT	502	24	Nike Men's Dri-FIT Victory Golf Polo	50	2017-03-22 02:54:00	Second Class	50.0	4.366000e+09	3752	0.0015	22	3	2017	22-03-2017
87	PAYMENT	2	2	1.320000e+09	Shipping on time	0	Women's Apparel	Puerto Rico	4673	Home Office	Mexico	3/29/2015 10:33	5991	14921	50	3	150.0	132	1.319.999.981	Central America	Jalisco	PENDING_PAYMENT	502	24	Nike Men's Dri-FIT Victory Golf Polo	50	2015-03-31 10:33:00	Second Class	50.0	1.320000e+09	4673	0.0015	31	3	2015	31-03-2015
88	PAYMENT	4	2	4.620000e+09	Late delivery	1	Women's Apparel	Puerto Rico	5367	Home Office	Mexico	2/3/2015 00:28	2263	5671	50	3	150.0	132	4.620.000.076	Central America	Puebla	PENDING_PAYMENT	502	24	Nike Men's Dri-FIT Victory Golf Polo	50	2015-02-07 00:28:00	Second Class	50.0	4.620000e+09	5367	0.0015	7	2	2015	07-02-2015
89	PAYMENT	4	2	1.044000e+09	Late delivery	1	Women's Apparel	Puerto Rico	5367	Home Office	Mexico	2/3/2015 00:28	2263	5669	50	3	150.0	130.5	1.043.999.958	Central America	Puebla	PENDING_PAYMENT	502	24	Nike Men's Dri-FIT Victory Golf Polo	50	2015-02-07 00:28:00	Second Class	50.0	1.044000e+09	5367	0.0015	7	2	2015	07-02-2015

#df.rename(columns={'Order Country':'OrderCountry'},inplace=True)

data_orderdate['YearStr']=df_espanol['anio'].astype(str)
fecha=df_espanol['anio'].astype(str)

# Calcular la producción total por año y Provincia
tendencias = df_espanol.groupby(['PaisPedido','anio'])['IDPedido'].count().reset_index()

# Visualizar tendencias a lo largo de los años
plt.figure(figsize=(12, 6))
for OrderCountry in tendencias['PaisPedido'].unique():
    data = tendencias[tendencias['PaisPedido'] == OrderCountry]
    plt.plot(data['anio'], data['IDPedido'], label=OrderCountry)

plt.xlabel('Año')
plt.ylabel('cantidad de pedidos')
plt.title('Tendencias en en pedidos por Años')
plt.legend(loc='upper left', bbox_to_anchor=(1, 1))
plt.grid(True)
plt.show()

C:\Users\Usuario\AppData\Local\Temp\ipykernel_18968\2151799396.py:3: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

 import pandas as pd
import plotly.graph_objects as go

# Asumiendo que tu DataFrame se llama 'tendencias'
# y tiene las columnas 'PaisPedido', 'anio', y 'IDPedido'

# Crear una figura
fig = go.Figure()

# Iterar a través de países únicos
for pais in tendencias['PaisPedido'].unique():
    # Filtrar datos para el país actual
    data_pais = tendencias[tendencias['PaisPedido'] == pais]
    
    # Agregar una línea para cada país
    fig.add_trace(go.Scatter(
        x=data_pais['anio'],
        y=data_pais['IDPedido'],
        mode='lines',
        name=pais
    ))

# Personalizar el diseño del gráfico
fig.update_layout(
    title='Tendencias en pedidos por Años',
    xaxis_title='Año',
    yaxis_title='Cantidad de Pedidos',
    legend_title_text='País',
    legend=dict(
        yanchor="top",
        y=0.99,
        xanchor="left",
        x=0.01
    )
)

# Agregar líneas de cuadrícula
fig.update_xaxes(showgrid=True)
fig.update_yaxes(showgrid=True)

# Mostrar el gráfico
fig.show()

#df_argentina.rename(columns={'Order Country':'OrderCountry'},inplace=True)
#df_argentina = df[df['OrderCountry'] == 'Argentina']
#df_argentina.rename(columns={'Order City':'OrderCity'},inplace=True)

#data_orderdate['YearStr']=df['anio'].astype(str)
#fecha=df_argentina['anio'].astype(str)

# Calcular la producción total por año y Provincia
tendencias = df_espanol.groupby(['RegionPedido','anio'])['IDPedido'].count().reset_index()

# Visualizar tendencias a lo largo de los años
plt.figure(figsize=(12, 6))
for OrderCity in tendencias['RegionPedido'].unique():
    data = tendencias[tendencias['RegionPedido'] == OrderCity]
    plt.plot(data['anio'], data['IDPedido'], label=OrderCity)

plt.xlabel('Año')
plt.ylabel('cantidad de pedidos')
plt.title('Tendencias en en pedidos por meses')
plt.legend(loc='upper left', bbox_to_anchor=(1, 1))
plt.grid(True)
plt.show()

 import pandas as pd
import plotly.graph_objects as go

# Asumiendo que tu DataFrame se llama 'tendencias'
# y tiene las columnas 'PaisPedido', 'anio', y 'IDPedido'

# Crear una figura
fig = go.Figure()

# Iterar a través de países únicos
for pais in tendencias['RegionPedido'].unique():
    # Filtrar datos para el país actual
    data_pais = tendencias[tendencias['RegionPedido'] == pais]
    
    # Agregar una línea para cada país
    fig.add_trace(go.Scatter(
        x=data_pais['anio'],
        y=data_pais['IDPedido'],
        mode='lines',
        name=pais
    ))

# Personalizar el diseño del gráfico
fig.update_layout(
    title='Tendencias en pedidos por Años',
    xaxis_title='Año',
    yaxis_title='Cantidad de Pedidos',
    legend_title_text='País',
    legend=dict(
        yanchor="top",
        y=0.99,
        xanchor="left",
        x=0.01
    )
)

# Agregar líneas de cuadrícula
fig.update_xaxes(showgrid=True)
fig.update_yaxes(showgrid=True)

# Mostrar el gráfico
fig.show()

df_espanol['PrecioProducto'] = df_espanol['PrecioProducto'].apply(clean_Beneficio_por_pedido)
df_espanol['Precio2'] = df_espanol['PrecioProducto']/1000

# vamos a probar agregar una columna donde se divida el valor de la orden para ver si se puede dibujar
#df.rename(columns={'Order Country':'OrderCountry'},inplace=True)
#data_orderdate['YearStr']=df['anio'].astype(str)
#fecha=df['anio'].astype(str)

# Calcular la producción total por año y Provincia
tendencias = df_espanol.groupby(['NombreProducto','anio'])['PrecioProducto'].sum().reset_index()

# Visualizar tendencias a lo largo de los años
plt.figure(figsize=(12, 6))
for OrderCountry in tendencias['NombreProducto'].unique():
    data = tendencias[tendencias['NombreProducto'] == OrderCountry]
    plt.plot(data['anio'], data['PrecioProducto'], label=OrderCountry)

plt.xlabel('Año')
plt.ylabel('cantidad de pedidos')
plt.title('Tendencias en en pedidos por Años')
plt.legend(loc='upper left', bbox_to_anchor=(1, 1))
plt.grid(True)
plt.show()

#CANTIDAD DE PEDIDOS POR AÑO SEGUN EL PRODUCTO

import pandas as pd
import plotly.graph_objects as go

# Asumiendo que tu DataFrame se llama 'tendencias'
# y tiene las columnas 'PaisPedido', 'anio', y 'IDPedido'

# Crear una figura
fig = go.Figure()

# Iterar a través de países únicos
for pais in tendencias['NombreProducto'].unique():
    # Filtrar datos para el país actual
    data_pais = tendencias[tendencias['NombreProducto'] == pais]
    
    # Agregar una línea para cada país
    fig.add_trace(go.Scatter(
        x=data_pais['anio'],
        y=data_pais['IDPedido'],
        mode='lines',
        name=pais
    ))

# Personalizar el diseño del gráfico
fig.update_layout(
    title='Tendencias en pedidos por Años',
    xaxis_title='Año',
    yaxis_title='Cantidad de Pedidos',
    legend_title_text='País',
    legend=dict(
        yanchor="top",
        y=0.99,
        xanchor="left",
        x=0.01
    )
)

# Agregar líneas de cuadrícula
fig.update_xaxes(showgrid=True)
fig.update_yaxes(showgrid=True)

# Mostrar el gráfico
fig.show()

#Agregar los boxplots
#ejemplo de codigo

# REEMPLAZAR POR EL OTRO CODIGO
import plotly.express as px
df = px.data.tips()
fig = px.box(df, y="total_bill")
fig.show()

Análisis Univariado:

Distribución de Variables: Realizar un análisis de las variables individuales para entender su distribución. Utilizar histogramas, boxplots y estadísticas descriptivas (media, mediana, desviación estándar, etc.) para las variables numéricas. Para las variables categóricas, calcular frecuencias y proporciones. Identificación de Outliers: Detectar posibles outliers en las variables numéricas utilizando técnicas como el análisis de boxplots o el cálculo del z-score.

Análisis Bivariado:

Relaciones entre Variables: Analizar la relación entre pares de variables para identificar patrones o correlaciones. Utilizar gráficos de dispersión (scatter plots) y mapas de calor de correlación (heatmaps) para evaluar la relación entre variables numéricas. Comparaciones Categóricas: Explorar cómo las variables categóricas afectan a las variables numéricas, utilizando gráficos de barras y boxplots.

Limpieza de Datos:

Tratamiento de Valores Faltantes: Identificar valores faltantes en el conjunto de datos. Aplicar métodos adecuados para el tratamiento de estos valores, ya sea mediante imputación, eliminación de filas/columnas o sustitución con valores medianos/modales. Normalización y Transformación: Realizar transformaciones necesarias para preparar los datos para el análisis posterior. Esto puede incluir normalización y estandarización

# solo faltan algo de analisis bivariado y limpieza

# hay que definir bien las columnas que quedan si se van a utilizar luego para la 3 entrega

df_espanol['anio'].unique()

array([2017, 2015])

#FALTAN AÑOS,.............VER LA FUNCION QUE DIVIDE LA FECHA DE ENVIO